基于生成对抗网络的皮损分割
本文提出了一个新的多类预测框架,基于 ViT 和 ViTGAN,在使用可解释 AI 的情况下,对皮肤病变分类。该框架分四个阶段,引入了生成对抗网络来解决类不平衡问题,使用卷积神经网络实现分类,实验结果相较于现有框架有所改善。
Feb, 2023
本研究使用生成式对抗网络(GAN)创建临床图像合成,提出了适应于特定皮肤病状的 DermGAN,并使用合成图像作为数据增强技术,提高了皮肤病分类器的性能。
Nov, 2019
使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好,在数据匿名化方面也只在分布不同的测试集上表现良好。因此,对于医学应用需要谨慎使用此技术。
Apr, 2021
通过基于生成对抗网络的数据增强协议,我们在像素级别和全局信息水平上对网络进行调节,以控制合成图像的外观,从而解决医学图像领域中被数据稀缺限制的问题,并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。
Apr, 2020
本文提出了一种新的医学影像生成对抗网络 (MI-GAN),可以用于合成视网膜图像及其分割掩模,以进行医学影像的监督分析,结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异,达到了当时的最佳状态。
Oct, 2018
该研究提出了一种简单而新颖的基于卷积神经网络(CNN)的 “网络中的网络” 方法,用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理,配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上,该方法的 Dice 相似度系数达到 0.915,准确率达到 0.959,在 ISBI 2017 数据集上,Dice 相似度系数达到 0.947,准确率达到 0.971。
May, 2020
利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力,并说明了 GANs 训练过程中潜空间和嵌入可视化的技术,以及 GANs 的真实性和泛化性评估等问题。
Aug, 2022
该研究提出了一种名为异常 - 正常翻译生成对抗网络(ANT-GAN)的医学图像合成模型,能够根据异常图像生成与之对应的正常图像,该模型在医学影像分割或分类任务中提供了有用的辅助信息,并且能够用于数据增强。
Oct, 2018
本研究提出了一种名为 SegAN 的端到端对抗神经网络,用于医学图像分割任务,它通过采用全卷积神经网络作为段分割器、提出一种新的对抗批判者网络,并使用多尺度 L1 损失函数来强制批判者和分割器学习全局和局部特征,从而实现更稳定、更有效的分割。在使用来自 MICCAI BRATS 脑肿瘤分割挑战的数据集进行测试后,表明 SegAN 具有优异的性能。
Jun, 2017
本文提出了一种名为 EL-GAN 的基于生成对抗网络的语义分割框架,通过嵌入损失降低了后处理的复杂度和提高了训练稳定性,应用于 TuSimple 车道线数据集上,效果优于传统方法并达到 96% 以上的准确率。
Jun, 2018